Resumo: A indústria de petróleo é indiscutivelmente uma das maiores do mundo e continua a crescer. No entanto, as operações de petróleo são responsáveis por aproximadamente 15% das emissões de gás carbônico relacionadas à energia em nível global. Devido ao Acordo de Paris de 2015, tanto empresas de petróleo privadas quanto públicas estão pressionadas a atender à demanda global por petróleo enquanto implementam simultaneamente tecnologias para reduzir os impactos ambientais. Isso é uma tarefa desafiadora, uma vez que há um conflito inerente entre objetivos econômicos e ambientais. No entanto, ao considerar indicadores conflitantes, os tomadores de decisão podem obter uma compreensão melhor das compensações entre objetivos econômicos e ambientais e selecionar a solução que melhor se alinha com os interesses da empresa. Isso representa um cenário de tomada de decisão mais realista e é a motivação fundamental por trás deste trabalho. Nosso principal objetivo é integrar diferentes indicadores no processo de tomada de decisão para análise de decisão baseada em modelo de problemas do mundo real da indústria de petróleo. Mais especificamente, esta pesquisa aborda o problema da otimização do posicionamento de poços com múltiplos objetivos conflitantes, onde o objetivo é determinar o número e as posições ideais de poços injetores e produtores na superfície do reservatório. Foram propostos dois algoritmos evolutivos baseados em decomposição. O primeiro utiliza mecanismos de preservação da diversidade para lidar com a natureza custosa da simulação de reservatórios. O segundo utiliza Random Forests como técnica de modelo de substituição para prever os valores das funções objetivo de estratégias não avaliadas. Esses métodos foram avaliados em extensas comparações de desempenho em funções de benchmark ou problemas de posicionamento de poços. Dada a ausência de uma única solução ótima global em problemas de múltiplos objetivos, mas sim um conjunto de soluções ótimas que representam compensações entre funções objetivo conflitantes, os tomadores de decisão ainda são obrigados a selecionar uma única estratégia de posicionamento de poços que possa ser traduzida de forma eficaz em um plano de desenvolvimento de campo de petróleo do mundo real. Para isso, este estudo também explora a possibilidade de combinar a tomada de decisão multicritério com aprendizado de máquina para facilitar uma tomada de decisão assistida nas etapas de pós-otimização. Como contribuições adicionais, este estudo também investiga os efeitos da variação dos valores de hiperparâmetros em Random Forests ao usá-los para aproximar os valores das funções objetivo de soluções não avaliadas em problemas de otimização discreta. Finalmente, esta tese também introduz um gerador de problemas de benchmark projetado para criar instâncias de teste que replicam as características de problemas de otimização baseados em cenários, particularmente aqueles com um espaço de decisão discreto Ver menos

Abstract: The petroleum industry is undeniably one of the largest industries globally, and it continues to grow. However, oil and gas operations are responsible for approximately 15\% of total energy-related carbon dioxide emissions globally. Due to the 2015 Paris Agreement, both private and public oil companies are under pressure to meet the global oil demand while simultaneously implementing technologies to reduce environmental impacts. This is a challenging task, as there is an inherent conflict between economic and environmental objectives. Nonetheless, by considering conflicting indicators, decision-makers can gain a better understanding of the trade-offs between economic and environmental objectives, and select the solution that aligns best with the company’s interests. This represents a more realistic decision-making scenario, and is the fundamental motivation behind this work. Our primary goal is to integrate different indicators in the decision making process for model-based decision analysis of real-world problems of the petroleum industry. More specifically, this research addresses the problem of well placement optimization with multiple conflicting objectives, where the goal is to determine the optimal number and positions of injector and producer wells on the reservoir's surface. For this reason, this thesis proposes new approaches to handle multi-objective well placement optimization. Two decomposition-based evolutionary algorithms have been proposed. The first one employs diversity preservation mechanisms to handle the time-consuming nature of reservoir simulation. The second one employs Random Forests as a surrogate model to predict the objective function values of unevaluated strategies. These methods have been evaluated in extensive performance comparisons in benchmark functions or well placement problems. Given the absence of a single global optimum solution in multi-objective problems, but rather a set of optimal solutions representing trade-offs between conflicting objective functions, decision-makers are still required to select a single well placement strategy that can be effectively translated into a real-world oil field development plan. For this matter, this study also explores the possibility of combining multi-criteria decision-making with machine learning to facilitate an assisted decision-making in the post-optimization steps. As additional contributions, this study also investigates the effects of varying hyperparameter values in Random Forests when using them to approximate the objective function values of unevaluated solutions in discrete optimization problems. Finally, this thesis also introduces a benchmark generator designed to create test instances that replicate the characteristics of scenario-based optimization problems, particularly those with a discrete decision space Ver menos